人工智能应用浪潮推动 国产芯片替代进程

　　人工智能的应用浪潮推动了国产芯片的替代进程。为打破垄断，国内头部及传统的IC制造商试图绕过被英伟达垄断的GPU框架，集体转向设计并研制专用计算芯片(ASIC)、FPGA及融合型异构处理器，以满足人工智能市场广泛需求的云端训练及终端推理作业。

　　01、楼阁坍塌

　　2016年至今，中国人工智能产业蓬勃发展，一连出现了如商汤、旷视、科大讯飞、云从等独角兽公司。时至2019年，这一现象达到高潮。

　　2017年，广州市政府向云从科技注资3.01亿美元，同年国有资本风险投资基金向旷视科技投入4.6亿美元资金。2017年，中国人工智能初创企业股权融资额占全球总量的48%，高出美国10个百分点。截止2018年底，中国人工智能企业获得风险投资总额接近1100亿元，超过美国同期的932亿美元;2019年10月，北京市海淀区政府为响应人工智能发展政策，提出愿为重点项目提供最高3000万的资金支持···

　　然而，一切高歌猛进在复杂的中美摩擦中戛然而止。

　　2019年5月，华为公司及其在分布在国内外的百家机构被美列入实体名单，大批量半导体断货。

　　6月21日，中科曙光、天津海光、成都海光集成电路等五家机构被列入实体名单。

　　10月7日，“黑色”恐怖相继蔓延，海康威视、大华科技、科大讯飞、旷视科技、商汤科技、美亚柏科、颐信科技和依图科技等28家中国与人工智能技术相关的机构和公司集体被列入实体名单，被限制从美国购买零部件。

　　面对突如其来的“制裁”，AI公司们能做的只有谴责。

　　科大讯飞表示，列入黑名单不会影响其日常运营。

　　美亚柏科表示，海外收入不足总收入1%、货源大多来自国内。

　　大华则在股东会议上表示，主营产品的多数组件可获得替代。

　　然而正如一位业内人士所说，一项超速发展的下游产业，很难不被缓慢进步的上游产业的缺口所牵制。

　　8家AI公司表面说没事，实则暗地流血。

　　数据统计，海康威视500亿元人民币(合70亿美元)的收入中有近30%来自海外;2019Q3财报显示，海康威视存货金额由年初的57亿增长到98亿，浮动+71.96%;外币借贷额增势更明显，由年初4.4亿增长到期末45亿，同比增长+929.69%，显然，海康的资本重心发生了大角度转变。

　　为避免带有情绪的股民集体抛售，海康、大华在名单公布当日一早，宣布了临时停盘。

　　一位接近旷视科技的人士称，“名单对公司上市进程影响很大···为绕开敏感GPU供应商，不得不把产品分成软件、硬件两标投。然而，一边合作方将硬件加价挂牌出售，套走大笔利润;另一边，客户以名单为由，坐地压价甚至重新招标···”

　　由于AI公司普遍采用的美国产的半导体，此次事件对于8家AI公司影响颇大，并险些陷入此前与中兴相似的境遇。若无自主可控的AI芯片，业务定位很难逃离微笑曲线谷底。

　　楼阁已塌。

　　据统计，在中国使用的半导体中，只有16%是国内生产的，而这其中又仅有不到一半是由中国公司自主设计的。工业和信息化部科技司司长胡燕认为，人工智能的发展不能再走“沙滩建高楼”的模式，若芯片、操作系统等顶层基础不突破，我们的人工智能产业，就是空中阁楼、是为别人做嫁衣。

　　AI公司受芯片牵制久已。由于抵挡不住“抽芯”压力，人工智能产业迫切的需要国产芯片的一臂之力。而时至2019年底，这一产业的国产化替代趋势初露头角。

　　02、寻找最优技术路线

　　为理解这个趋势，需要从基础技术谈起。

　　首先，如何抽象人工智能?简单来讲，软件通过对现有信息进行自动化分析并得到规律，利用规律对未知数据进行预测，便是人工智能最基本的工作流。

　　即便有了学术界数十年探索，工业界通过大量实践得出一项共识：面对确定性问题，AI有着得天独厚的优势;而面对不确定的问题，AI和人脑(动物脑)之间仍存在难以逾越的鸿沟。人脑善于线性推理，AI反之，善于高精度、大规模运算。人工智能的分支中的“强化学习”，就是在填补这个条鸿沟。

　　而在人类社会中，智力相较于劳动力，有着更高溢价范畴。

　　2012～2016年，巅峰时期的互联网经济回归基本面，一部分互联网公司、AI初创解决方案商看到智能服务的缺口，人工智能创业浪潮随之涌现。其中不乏涉及人脸识别、自动驾驶、机器学习等分支技术，并落地于金融、安防、工业、农业、教育等领域。这些领域受数据隐私、商业机密限制，依赖高性能运算同时，对运算属性需求独立分散且灵活。

　　AI运算包含大量矩阵、卷积、积分等并行运算，我们熟知的CPU并不适用。为满足不同环境下的AI运算，业界普遍采用GPU(图形显示卡)、FPGA(现场可编程逻辑门阵列)、ASIC(专用集成电路)，亦或是在SoC内封装NPU(神经网络处理器)、IPU(图像处理单元)等技术路线，以满足AI的训练(train)和推理(inference)。

　　云端训练芯片市场，英伟达(Nvidia)一家独大，主推GPU单卡或多卡集成主机方案。其GPU产品线覆盖不同程度算力、不同数据类型的训练需求，且编程环境成熟，产品支持市场上主要的开发框架和语言。然而由于成本等因素，GPU并不适用于AI推理端。国内AI芯片厂也有着统一共识：绝不走纯GPU路线，尝试其他技术路线“绕道超车”。

　　FPGA，适用于高净值的「推理端」，例如自动驾驶，工控集成，成本略高，优势在于定制性强、设计周期短，然而FPGA的设计人才难聘。同时，近些年来看，其高昂成本仍难以绕开。当然也有声音称，国内某家智能驾驶公司与赛灵思合作，将进口单片成本降至2000元，配给主机厂做L2套件。

　　从经济角度讲，FPGA具备“暂时性”替代ASIC芯片地位，可弥补ASIC长研发周期、流片周期的时间缺口，是目前少有能兼顾训练和推理的高性能芯片。然则全球仅四家公司具备FPGA的生产能力：Xilinx(美)、Altera(被intel收购)、Lattice(美)、Microsemi，先有英特尔、IBM、德州仪器，再有摩托罗拉、飞利浦、东芝等公司成立独立部门投入FPGA研发，均无疾而终。

　　ASIC(专用集成电路)，研发-流片周期长，成本却可降至FPGA十分之一水平。Google独家技术的TPU(张量处理器)及英伟达DLA(Deep Learning Accelerator，深度学习加速器)即采用ASIC技术路线。国内华为海思、寒武纪、比特大陆、嘉楠智耘等几大芯片厂商，主要产品同样采用该技术路线，目前已实现一定规模的量产。相比FPGA这类刚刚起步的技术路线，ASIC是国内芯片生产商唯一能够在短期获得盈利的半导体产品。

　　面对残酷的历史教训，传统芯片厂也好，新晋半导体设计公司也好，量产推理端芯片，ASIC是最优解。

　　03、云端训练

　　AI芯片的供需主要分为两类：云端训练，终端推理。

　　AI训练阶端，主流云端训练采用GPU + CPU、FPGA + CPU等形式。Google则采用自研TPU(一种ASIC)+ CPU。

　　刚刚提到，云端GPU英伟达一家独大，市场近乎垄断，国产翻身很难。是因为GPU在并行计算方面具有天然优势。而FPGA的定制化能够补足GPU的部分劣势。普华永道预测，云端芯片中FPGA将与GPU共存很长一端时间。

　　由于云端训练芯片的研发投入大、流产风险高，国内仅有少数公司能够进入该领域。目前有，华为海思